中国工程院院士、西安交通大学人工智能与机器人研究所所长郑南宁发表文章，讨论具身智能在物理世界中成长。他指出，人工智能的重要发展方向之一，是让机器不仅能处理信息、推演复杂问题，也能在真实多变的环境中灵活完成各类任务。从工业生产线上的精细操作，到复杂地形中的自主行走，再到展演环境中的动态运动，机器人频繁出现在各种场景中。在这些能力背后，人工智能正在经历一场重要转变：从能够计算走向能够行动，并进一步发展为能够在物理世界中持续交互、学习与进化的智能形态。

具身智能不等于人形机器人

需要明确的是，具身智能不等于人形机器人，人形只是载体之一。其关键在于智能系统能否真正进入真实环境，形成感知、认知、决策、行动、反馈的闭环，并在这一闭环中不断调整自身行为，通过学习改善内部模型和策略。因此，评价具身智能的标准，不在于形态是否像人，而在于是否能真正解决现实世界中的问题。

像婴儿一样认识世界

理解具身智能，一个最直观的方式，是回到婴儿认识世界的过程。婴儿不会先学习概念或语言，而是通过不断触摸、抓取、跌倒和重新尝试来建立对世界的理解。婴儿的认知并不脱离身体，而是在身体与环境的互动中逐步形成：视觉提供空间结构，触觉提供物理反馈，运动经验不断修正对世界的预测。智能并不是只存在于脑中的计算过程，而是身体与环境相互作用的产物。因此，身体不只是执行指令的工具，更是认知系统的组成部分，参与感知、理解与行动的整个过程。一个具身智能系统通常由三部分构成：感知系统负责获取环境信息，决策系统负责形成理解与规划，执行系统负责作用于物理世界。

四种能力

具身智能要让机器真正进入世界并在世界中行动，需要多种能力。世界模型的形成，系统需要在内部构建一个可模拟环境，使其能够在行动之前预测与推演。多模态表征能力，现实世界的信息来源具有高度异质性，包括视觉、语言、触觉与声音等多种形式，具身智能需要将这些信息整合到统一的语义空间。因果推理能力，当前大模型主要基于统计相关性进行学习，对因果结构的把握仍然有限，模型作出的判断有时在语言上看似合理，但在物理世界中并不成立。生成与行动一体化能力，将视觉、语言与动作统一建模的端到端系统，使机器人能够根据自然语言指令生成动作策略，并通过控制系统和执行机构付诸行动。

两大基础条件和三方面挑战

具身智能的发展依赖两大基础条件：一是高质量多模态数据作为燃料，二是高逼真仿真环境作为练兵场。通过仿真训练再迁移到真实世界已成为重要技术路径，但如何缩小仿真与现实的差距，仍亟待解决。当前系统仍然存在局限性：黑箱问题，模型决策过程的可解释性不足；算力与部署矛盾，大模型难以在边缘设备实时运行；产业生态尚未成熟，标准体系与接口规范仍处于演进阶段。在工业制造领域，智能系统正在从执行工具转向意图驱动系统。在医疗与康复领域，智能系统正在成为医生的重要辅助工具。在城市治理与公共安全中，无人机与地面机器人协同执行基础设施巡检任务。在交通领域，自动驾驶系统是当前最接近规模化应用的具身智能形态之一。具身智能的本质，并不是让机器像人，而是让智能真正进入现实世界，在复杂、不确定环境中形成持续学习与适应能力。